Pelican-VLA ve X-Humanoid: Açık Kaynak VLA Modelleri Rehberi.
VLA (Vision-Language-Action / görme-dil-eylem) modelleri, kamera görüntüsü ve doğal dil talimatını girdi alıp doğrudan düşük seviyeli robot eylemi üreten çok modlu temel model sınıfıdır. Bu sınıf, insansı robot yatırımlarının yazılım katmanındaki ana eksenine dönüşmüş durumdadır: NVIDIA'nın GR00T ailesi başta olmak üzere 2025–2026 döneminde art arda yeni modeller yayımlanıyor (Alibaba'nın robotik model paketi için Qwen-Robot Suite analizimize bakabilirsiniz). Temmuz 2026 itibarıyla bu dalganın dikkat çekici gelişmelerinden biri, Pekin merkezli X-Humanoid'in Pelican-VLA 0.5 modelini açık kaynak olarak duyurmasıdır: yaklaşık 5 milyar parametreli, Qwen3-VL omurgalı, görsel-dil anlama ile eylem tahminini tek mimaride birleştiren birleşik bir VLA.
Kurumsal karar vericiler için kritik nokta şudur: açık VLA modelleri "indir ve çalıştır" ürünleri değildir. Bu modellerin hedef robotta anlamlı performans üretmesi için platforma özgü teleoperasyon verisiyle ince ayar gerekir — model açık olsa bile rekabet avantajı, kurumun kendi robotu üzerinde topladığı veridedir. Bu sayfa Pelican-VLA 0.5 ve X-Humanoid ekosistemini teknik olarak analiz eder; ardından bu veri stratejisinin donanım ayağını — Unitree G1, R1 ve veri toplama odaklı G1-D platformunu — konumlandırır.
Pelican-VLA 0.5 Kimlik Kartı
Adlandırma notu: Reponun adı Pelican-VLA05 olsa da buradaki "05" sürüm numarasıdır (0.5) — parametre sayısı değildir; model yaklaşık 5B parametrelidir. Ayrıca Pelican-VL 1.0 (7B/72B "embodied brain" VLM ailesi) ayrı bir modeldir: o bir planlayıcı görsel-dil modelidir, eylem üreten VLA değildir.
| Resmî ad | Pelican-VLA 0.5 (teknik rapor: “Attending Before Acting Benefits Generalization”, arXiv:2607.06655) |
| Yayıncı | X-Humanoid — Beijing Innovation Center of Humanoid Robotics, WFM System Group |
| Parametre | ~5B (Hugging Face safetensors metaverisi; makale toplam sayı vermiyor) |
| Omurga | Qwen3-VL 4B (Qwen3-VL-4B-Instruct ağırlıklarıyla başlatılıyor) |
| Mimari sınıf | Birleşik VLA: görsel-dil anlama + gelecek-kare üretimi + eylem tahmini tek mimaride |
| Anahtar tasarım | Algı ile eylem arasında 32 öğrenilebilir bottleneck token (K=32) — nesne anotasyonu olmadan manipülasyon-merkezli dikkat |
| Dünya-modeli bileşeni | Donmuş NVIDIA Cosmos-Tokenizer latentleri üzerinde gelecek-kare üretimi (model-içi yardımcı görev) |
| Eylem başı | Koşullu flow matching; 10 çıkarım adımı; 50 adımlık eylem parçaları (chunk); 224×224 görüntü + 32-D robot durumu girdisi |
| Ön-eğitim verisi | ~2.400 saat heterojen manipülasyon verisi (AgiBot World Alpha, InternData-A1, Galaxea Open-World, ~1.000 saat kendi TienKung + UR teleoperasyonu) |
| Benchmark | RoboTwin 2.0 (fine-tune sonrası): %91,4 Clean / %91,0 Randomized — açık VLA taban çizgileri arasında en iyi ortalama (kıyas: pi-0 79,8; pi-0.5 86,9; Hy-VLA 90,5) |
| Gerçek robot | TienKung insansısında masa toplama görevinde %80 başarı |
| Lisans | README'de Apache-2.0 beyanı; inceleme tarihinde repoda LICENSE dosyası ve HF model kartında lisans alanı yoktu — ticari kullanım öncesi teyit edilmeli |
| Takvim | Repo: 2 Tem 2026 · arXiv: 7 Tem 2026 · ağırlıklar + çıkarım kodu: 14 Tem 2026 (son kontrolde safetensors HF'de görünür) · eğitim kodu: 28 Tem 2026 (plan) |
Henüz raporlanmayanlar: çıkarım donanım/VRAM gereksinimi, kontrol frekansı (Hz) ve somut ince ayar komut akışı. Bu değerler yayımlandığında Araştırma Radarı sayfamızda güncelleyeceğiz.
X-Humanoid Kimdir?
X-Humanoid'in resmî adı Beijing Innovation Center of Humanoid Robotics'tir; Kasım 2023'te Pekin Yizhuang'da kuruldu. Kurucu ortakları arasında UBTECH ve Xiaomi bulunuyor. Kurum iki çekirdek platform işletiyor: Embodied Tien Kung (Tiangong) robot gövde platformu ve Wise KaiWu bedenlenmiş yapay zeka yazılım platformu. Açık kaynak tarafında GitHub'da Open-X-Humanoid organizasyonunu yürütüyor (TienKung-Lab, XR-1, RoboMIND veri seti — V2.0: 300 bin+ trajektori) ve Hugging Face'te 15 model + 6 veri seti yayında. Pelican modellerinin referans donanımı kurumun kendi TienKung insansısıdır.
Tiangong Ultra (1,8 m, ~52–55 kg, azami 12 km/s), dünyanın ilk insansı robot yarı maratonunu 2 sa 40 dk 42 sn'de kazandı.
Foton Cummins üretim hattı, China Electric Power Research Institute ve Li-Ning saha konuşlandırmaları ile Bayer anlaşması aktarıldı; 100 m otonom koşu 21,50 sn.
Tien Kung 3.0 lansmanı (açık ve pratik platform konumlaması).
Tien Kung 3.0, Pekin Robot Warrior Challenge'ı tam otonom koşuyla kazandı.
Pelican-Unify 1.0, kurumun duyurusuna göre WorldArena değerlendirmesinde birinci sırada yer aldı.
VLA Modeli Nedir ve Nasıl Çalışır?
Bir VLA modeli üç akışı tek ağda birleştirir: görme (kamera görüntüleri), dil (görev talimatı) ve eylem (robotun eklem komutları). Model, görsel-dil omurgasıyla sahneyi ve talimatı ortak bir temsile kodlar; eylem başı bu temsilden robotun bir sonraki hareket dizisini üretir. Çıktı metin değil, doğrudan çalıştırılabilir kontrol sinyalidir — VLA'yı sohbet modellerinden ayıran budur.
Pelican-VLA 0.5 bu şablonun güncel bir örneğidir: girdi dizisini görsel-dil ön eki → donmuş Cosmos-Tokenizer latentleri → 32 bottleneck token → robot durumu ve gürültülü eylem son eki olarak kurar. Bottleneck token'lar, algıdan eyleme akan bilgiyi dar bir kanaldan geçirerek modeli manipülasyona en alakalı görsel bölgelere odaklanmaya zorlar — makalenin başlığındaki "attending before acting" ilkesi budur. Eylem üretiminde flow matching kullanılır: gürültülü eylem taslağı 10 adımda gerçek eylem dizisine dönüştürülür, her seferinde 50 adımlık bir hareket parçası üretilir.
Sektördeki pratik ders: bu modeller ön-eğitimle genel bir "manipülasyon önseli" kazanır, ancak belirli bir robotta güvenilir görev performansı, o robotun gövdesine (embodiment) özgü veriyle ince ayardan gelir.
Modelden Üretime: Veri Stratejisi
Dürüstlük notu — Unitree bağlantısı: Pelican-VLA 0.5'in dokümante edildiği platformlar arasında Unitree robotu yoktur; gerçek robot deneyleri X-Humanoid'in kendi TienKung insansısında yapılmıştır. Bu sayfada "Pelican, G1'de çalışır" gibi bir iddia kurmuyoruz. Kurduğumuz köprü farklı ve daha temel: açık VLA modelleri kurumların kendi robot verisiyle uyarlanır — ve bu verinin toplandığı, işlendiği, formatlandığı platform katmanı Unitree ekosisteminde G1-D'dir.
Platforma özgü veri şarttır
NVIDIA GR00T N1.5, Unitree G1 üzerinde 1.000 teleoperasyon episoduyla eğitim-sonrası uyarlandığında bilinen nesnelerde %98,8, yeni nesnelerde %84,2 başarı raporladı. Bağımsız bir çalışma ise aynı sınıf modellerin sıfır-atış tam başarısızlık gösterdiğini, 5.000 demo ile %48'e çıktığını ölçtü. Model açık olsa bile veri olmadan sonuç yoktur.
Model geliştiren kurumlar dahi kendi verisini toplar
Pelican-VLA 0.5'in ön-eğitim korpusunun ~1.000 saati, X-Humanoid'in kendi robotlarından toplanmış teleoperasyon verisidir — modeli üreten kurum bile kendi donanımından veri toplamak zorundadır.
Veri akışı standartlaşmıştır
Tipik hat: XR cihazıyla teleoperasyon episodları (kamera + robot durumu + eylem) → eğitim formatına dönüşüm → VLA ince ayarı → gerçek robota dağıtım. Unitree'nin resmî unitree_IL_lerobot deposu, G1 üzerinde ACT, Diffusion, Pi0, Pi0.5 ve GR00T eğitimini ve Unitree JSON → LeRobot dönüşümünü destekler. Pelican ekibi de ön-eğitim veri setlerini LeRobot arayüzünden birleştirdiğini raporlar.
NVIDIA'nın resmî uçtan uca G1 iş akışı
Aynı zinciri kurumsallaştırır: teleop veri toplama → GR00T post-training → Isaac Lab-Arena değerlendirme → Jetson Thor ile fiziksel G1.
Unitree G1-D
Unitree'nin ilk tekerlekli insansısı; açıkça büyük ölçekli YZ eğitim verisi toplamak için tasarlandı. 60 Hz veri örnekleme, 100 ms altı teleoperasyon gecikmesi, yüzlerce robotla eş zamanlı toplama desteği, yaygın eğitim formatlarına dönüşüm ve PI/GR00T gibi açık modellerle resmî entegrasyon. Tekerlekli taban ~6 saate kadar batarya sunar — veri operasyonunda günlük episod veriminin belirleyicisidir.
Unitree R1-D
Sabit tabanlı (R1-A5/A7) ve tekerlekli (R1-A5-D/A7-D) seçenekleriyle sunulan, 18–22 serbestlik derecesi ve ±0,1 mm tekrarlanabilirlik sunan çift kollu platform. Resmî konumlaması çift kollu manipülasyon ve açık ikincil geliştirme; masa üstü manipülasyon araştırması ve çift kol koordinasyonu çalışan ekipler için giriş noktası.
Hangi Kurum Hangisini Seçmeli?
| Kurum profili | Öncelik | Önerilen platform | Gerekçe |
|---|---|---|---|
| Üniversite robotik laboratuvarı | Lokomosyon, RL, bedenlenmiş YZ dersleri, yayın | G1 EDU | Tam insansı araştırma platformu; resmî unitree_IL_lerobot ile ACT/Diffusion/Pi0/GR00T eğitimi; RL-Gym hattıyla simülasyon eğitimi |
| Manipülasyon odaklı araştırma grubu | Çift kol koordinasyonu, hassas manipülasyon | R1 / R1-D | ±0,1 mm tekrarlanabilirlik, sabit veya tekerlekli taban seçeneği, açık ikincil geliştirme |
| Ar-Ge merkezi / kurumsal YZ ekibi | Kendi görev alanında VLA/politika uyarlama | G1-D | Resmî veri toplama konumlaması: 60 Hz örnekleme, <100 ms teleop, filo ölçeğinde eş zamanlı toplama, PI/GR00T entegrasyonu, ~6 saat batarya |
| Veri operasyonu kuran kurum (filo ölçeği) | Episod verimi, format standartlığı | G1-D filosu | Yüzlerce robotla eş zamanlı toplama ve yaygın eğitim formatlarına dönüşüm resmî özellik setinde |
| Alanı izleyen inovasyon ekibi | Teknoloji radarı, pilot öncesi değerlendirme | Radar takibi + G1 EDU pilotu | Pelican-VLA'nın eğitim kodu ve donanım gereksinimleri netleştikçe yatırım kararı olgunlaştırılır |
Genel ilke: araştırma ve politika geliştirme G1/R1 EDU hattında; ölçekli veri operasyonu G1-D hattında yürür. İki hat da yaygın eğitim formatlarına dönüşümü desteklediğinden, EDU ile başlayıp G1-D ile ölçeklenmek doğal bir yoldur.
UnifoLM-WMA-0 ve Açık Ekosistem İlişkisi
UnifoLM-WMA-0, Unitree'nin kendi açık kaynak world-model-action (dünya modeli–eylem) mimarisidir; X-Humanoid/Pelican ile organizasyonel bir bağı yoktur. İlişki, aynı araştırma eğiliminin — dünya modeli destekli robot öğrenimi — iki paralel ekosistemdeki uygulamaları düzeyindedir. Teknik ayrım öğreticidir: Pelican-VLA 0.5 gelecek-kare üretimini model-içi yardımcı görev olarak kullanırken, UnifoLM-WMA-0 dünya modelini ayrı bir bileşen olarak politikaya bağlar — sentetik eğitim verisi üreten bir simülatör ve gelecekteki etkileşimleri öngörerek politikayı güçlendiren bir modül olarak. Z1 kol ve G1 üzerinde gösterilmiştir; kod ve checkpoint'ler Eylül 2025'ten beri açıktır.
Unitree'nin "data-in, model-out" hattı bu mimariyle bütünleşir: G1-D ile veri toplama → işleme/etiketleme → eğitim (PI/GR00T ve UnifoLM-WMA-0) → sim2real doğrulama. Dünya modeli yaklaşımlarının kavramsal karşılaştırması için DreamDojo rehberimize bakabilirsiniz.
Kurumsal Yol Haritası: Keşiften Ölçeğe 4 Adım
Keşif (0–3 ay)
Hedef görev ailesi tanımlanır (manipülasyon, lojistik, denetim vb.); açık VLA/politika seçenekleri (Pi0, GR00T, ACT, Diffusion — ve olgunlaştıkça Pelican-VLA) lisans ve veri gereksinimi açısından değerlendirilir.
Robotlar.org desteği: Teknoloji radarı brifingi, platform seçim danışmanlığı, Araştırma Radarı güncellemeleri.
Pilot (3–6 ay)
Tek bir G1 EDU ile XR teleoperasyon kurulumu yapılır; unitree_IL_lerobot hattında ilk politika eğitim döngüsü küçük episod setiyle doğrulanır. Manipülasyon odaklı ekipler pilotu R1 üzerinde yürütebilir.
Robotlar.org desteği: Tedarik, devreye alma, teleoperasyon kurulum desteği, eğitim.
Veri (6–12 ay)
Hedef görevlerde sistematik episod toplama başlar; G1-D ile 60 Hz örnekleme ve uzun batarya ömrü sayesinde günlük veri verimi ölçeklenir; veriler yaygın eğitim formatlarında kurumsal veri varlığına dönüşür.
Robotlar.org desteği: G1-D tedariki, filo yapılandırması, veri hattı danışmanlığı.
Ölçek (12+ ay)
Çok robotlu eş zamanlı toplama, sürekli ince ayar döngüsü ve sim2real doğrulama ile üretim senaryolarına geçilir.
Robotlar.org desteği: Filo genişletme teklifi, yedek parça ve servis sürekliliği, kurumsal model/ürün brifingleri.
Her aşamanın çıktısı bir sonrakinin girdisidir; en pahalı hata, veri stratejisi olmadan model denemelerine başlamaktır.
Sıkça Sorulan Sorular
Pelican-VLA nedir?
Pelican-VLA 0.5, Pekin merkezli X-Humanoid'in (Beijing Innovation Center of Humanoid Robotics) Temmuz 2026'da duyurduğu açık kaynak görme-dil-eylem (VLA) modelidir. Yaklaşık 5 milyar parametrelidir, Qwen3-VL 4B omurgası üzerine kuruludur ve görsel-dil anlama, gelecek-kare üretimi ile eylem tahminini tek mimaride birleştirir. RoboTwin 2.0 benchmark'ında ince ayar sonrası %91,4 (Clean) / %91,0 (Randomized) başarıyla açık kaynak VLA taban çizgileri arasında en iyi ortalamayı raporlamıştır.
VLA modeli nedir?
VLA (Vision-Language-Action / görme-dil-eylem) modeli, kamera görüntüsü ve doğal dil talimatını girdi alıp doğrudan düşük seviyeli robot eylemi (eklem komutları) üreten çok modlu temel model sınıfıdır. Sohbet modellerinden farkı, çıktısının metin değil çalıştırılabilir kontrol sinyali olmasıdır. Pratikte genel ön-eğitim + hedef robota özgü teleoperasyon verisiyle ince ayar şeklinde kullanılır.
Pelican-VLA kaç parametrelidir?
Hugging Face safetensors metaverisine göre model yaklaşık 5 milyar parametrelidir. Repo adındaki '05' sürüm numarasıdır (0.5) — parametre sayısı değildir; 'Pelican-VLA-0.5B' diye bir model yoktur. Ayrıca Pelican-VL 1.0 (7B/72B planlayıcı VLM ailesi) ayrı bir modeldir; VLA aksiyon modeli olan Pelican-VLA 0.5 ile karıştırılmamalıdır.
Açık kaynak VLA modelleri Unitree robotlarında kullanılır mı?
Pelican-VLA 0.5 özelinde dokümante edilmiş bir Unitree entegrasyonu yoktur; modelin gerçek robot deneyleri X-Humanoid'in kendi TienKung insansısında yapılmıştır. Genel olarak ise evet: Unitree'nin resmi unitree_IL_lerobot aracı G1 üzerinde Pi0, Pi0.5, GR00T, ACT ve Diffusion politikalarının eğitimini destekler; NVIDIA'nın resmi uçtan uca G1 iş akışı teleop veri toplamadan GR00T eğitim-sonrası uyarlamaya kadar tanımlıdır. Bu dokümante edilmiş akışlarda dahi model, hedef robotta toplanmış uyarlama verisi olmadan anlamlı performans üretmez.
VLA modeli uyarlamak için hangi donanım gerekir?
Üç bileşen gerekir: (1) hedef robot platformu (ör. Unitree G1 EDU veya R1), (2) teleoperasyon kayıt düzeneği (Apple Vision Pro, PICO veya Quest sınıfı XR cihazı + kamera/durum/eylem kaydı), (3) eğitim için GPU altyapısı. Veri LeRobot formatına dönüştürülerek ince ayarda kullanılır. Ölçekli veri operasyonu için Unitree G1-D, 60 Hz örnekleme, 100 ms altı teleop gecikmesi ve yaklaşık 6 saat bataryayla bu iş için tasarlanmış özel platformdur.
Veri toplama için G1-D neden gereklidir?
Araştırma ve politika geliştirme için G1/R1 EDU yeterlidir. G1-D'nin gerekçesi ölçektir: G1-D, büyük hacimli YZ eğitim verisi toplamak için tasarlanmıştır — tekerlekli tabanla yaklaşık 6 saate kadar batarya (bipedal insansılarda tipik ~1 saat), yüzlerce robotla eş zamanlı toplama desteği, yaygın eğitim formatlarına dönüşüm ve PI/GR00T gibi açık modellerle resmî entegrasyon. Günlük episod verimi veri stratejisinin ana metriği olduğunda bu farklar belirleyicidir.
Pelican-VLA'nın lisansı ticari kullanıma uygun mu?
Reponun README'sinde Apache-2.0 beyan edilmiştir; ancak inceleme tarihinde depoda LICENSE dosyası, Hugging Face model kartında ise lisans alanı henüz bulunmuyordu. Kurumsal/ticari bir projede kullanmadan önce lisansın resmî dosya düzeyinde netleşmesini beklemenizi ve hukuki değerlendirme yapmanızı öneririz. Karşılaştırma için: Unitree'nin kendi VLA'sı UnifoLM-VLA-0, CC BY-NC-SA 4.0 ile ticari olmayan lisanslıdır.
X-Humanoid'in Tiangong robotu satın alınabilir mi?
Tiangong (Tien Kung), X-Humanoid'in kendi referans platformudur; Unitree ile kurumsal bir bağı yoktur ve Robotlar.org ürün portföyünde yer almaz. Türkiye'de Robotlar.org'un tedarik, garanti ve yerel destek süreçleriyle sunduğu insansı araştırma ve veri platformları Unitree G1, R1 ve G1-D'dir; Robotlar.org Unitree Türkiye Yetkili Distribütörüdür.
Pelican-VLA'nın ağırlıkları ve kodu erişilebilir mi?
Duyurulan takvime göre model ağırlıkları ile çıkarım kodu 14 Temmuz 2026, eğitim kodu 28 Temmuz 2026 hedefliydi; son kontrolümüzde (14 Temmuz 2026) Hugging Face deposunda ~5B parametrelik safetensors ağırlıkları görünür durumdaydı, model kartı ve lisans alanı ise henüz eklenmemişti. Çıkarım donanım gereksinimi ve kontrol frekansı gibi dağıtım-kritik değerler de henüz raporlanmadı. Gelişmeleri Araştırma Radarı sayfamızdan takip edebilirsiniz.
Kaynaklar
Pelican-VLA05 (GitHub)
Resmî repo: README, teknik rapor bağlantısı ve yayın takvimi.
X-Humanoid (Hugging Face)
Model ve veri seti envanteri: Pelican ailesi, XR-1, RoboMIND.
Teknik Rapor (arXiv)
Attending Before Acting Benefits Generalization — mimari ve benchmark ayrıntıları.
robotlar.org Kurumsal Destek
Platform seçimi, teleoperasyon kurulumu ve veri hattı danışmanlığı.
Kurumunuzun VLA Altyapısı
Türkiye'den Başlasın.
Açık VLA modelleri hızla olgunlaşıyor; kalıcı rekabet avantajı ise kurumunuzun kendi robotu üzerinde topladığı veride. Unitree Türkiye Yetkili Distribütörü olarak G1/R1 EDU araştırma platformlarından G1-D veri toplama filolarına kadar tüm hattı tedarik ediyor, devreye alıyor ve kurumsal Ar-Ge süreçleriniz boyunca teknik destek sağlıyoruz.